MétaCan
Menu
Retour à la cohorte
Enregistrement W2599537025 · doi:10.3389/fonc.2017.00050

Update on the Treatment of Metastatic Squamous Non-Small Cell Lung Cancer in New Era of Personalized Medicine

2017· review· en· W2599537025 sur OpenAlexaff
Sara V. Soldera, Natasha B. Leighl

Notice bibliographique

RevueFrontiers in Oncology · 2017
Typereview
Langueen
DomaineMedicine
ThématiqueLung Cancer Treatments and Mutations
Établissements canadiensPrincess Margaret Cancer Centre
Organismes subventionnairesnon disponible
Mots-clésEpidermal growth factor receptorEpithelial–mesenchymal transitionMedicineLung cancerCancer researchDiscoidin domainPersonalized medicineTyrosine kinaseOncologyTargeted therapyPrecision medicineLungCancerReceptor tyrosine kinaseInternal medicineBioinformaticsPathologyReceptorBiologyMetastasis

Résumé

récupéré en direct d'OpenAlex

Despite advances in molecular characterization and lung cancer treatment in recent years, treatment options for patients diagnosed with squamous cell carcinoma of the lung (SCC) remain limited as actionable mutations are rarely detected in this subtype. This article reviews potential molecular targets and associated novel agents for the treatment of advanced SCC in the era of personalized medicine. Elements of various pathways including epidermal growth factor receptor (EGFR), PI3KCA, fibroblast growth factor receptor (FGFR), retinoblastoma (Rb1), cyclin-dependent kinases (CDK), discoidin domain receptor tyrosine kinase 2 (DDR2) and mesenchymal-to-epithelial transition (MET) may play pivotal roles in the development of SCC and are under investigation for drug development.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,974
Score d'incertitude au seuil0,848

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0030,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,062
Tête enseignante GPT0,433
Écart entre enseignants0,372 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations43
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in OncologyMême sujetLung Cancer Treatments and MutationsTravaux en français237 207